自然免疫系统是一个自组织、自适应并具有高度并行处理能力的强鲁棒性系统;又是一个具有多样性识别能力、增强性学习机制和分布式联想记忆的强大信息处理系统.因为它的重要性、复杂性和难以理解的选择机制,免疫系统是一个具有广泛研究价值的课题,近年来引起了人们的密切关注.有很多理论模仿了免疫系统的各个组件,来解释免疫现象和计算模型.基于免疫的研究已经兴起并成为新的进化计算和模式识别方法的一个热点,但作为一种新生的智能方法,缺乏系统性和一个统一的模型框架,并且还有许多应用领域有待拓展,算法的完善性也有待改进.正是基于对人工免疫系统研究缺陷的认识并且为了满足现实应用的需求,该文希望在免疫系统模型构造,算法改进和实际应用诸方面做更深入的探讨.首先有针对性地介绍了自然免疫系统的相关机理和计算方面的性质,概述了人工免疫系统的一些主要原理及应用,然后提出了人工免疫系统的一般模型框架,并以此为基础,提出了一种改进的自适应聚类人工免疫算法和基于小生境技术的多峰搜索免疫算法,同时也拓展了免疫系统在多目标优化问题上的应用.总的来说,主要的算法研究集中于:1.针对前人在利用人工免疫算法解决聚类问题时对算法参数分析不充分的缺陷,提出了一种新型的自适应聚类人工免疫算法,对算法的参数进行了细致深入的分析和优化,减弱了算法对问题的依赖性并且重要参数可随运算过程自适应确定,减轻了用户需自行预定重要参数的负担.并采用两个典型的数据集对算法进行了验证,同时成功地把算法应用于分析电梯交通客流模式;2.针对多峰函数的优化问题,结合小生境技术,开发出一种新的多峰搜索免疫算法,减弱了对问题的依赖性,增强了对问题的所有局部解的搜索能力,同时减少了解的冗余度.并且算法可以自适应终止,一些参数亦可由运算过程自适应确定.与基于信息熵的多峰搜索免疫算法相比,该算法的优化结果对于参数取值的变化具有更强的稳定性;3.针对多目标函数优化问题,从免疫系统的特性和机理出发,提出了一种新型的多目标优化处理方法.并通过实验分析了算法的性能,也将算法与某些混合遗传算法进行了比较,突出了人工免疫算法在解决多目标优化问题上的特点.